TQuant Lab KD 指標策略，探索股價反轉時機？

Apr 17 2024

Table of Contents

本文重點摘要

文章難度：★★☆☆☆
本文改編自KD指標回測實戰，利用 TQaunt Lab 進行策略優化與調整。
利用 TQuant Lab 內建因子計算出 KD 指標，並透過 KD 指標判斷股價反轉時機，比較 KD 指標策略於 ( 2020-01-01 至 2024-04-10 ) 能否賺取超額報酬。

前言

KD指標（英文：Stochastic Oscillator），也稱為隨機指標，是技術分析常見的指標之一，主要用於判斷股價短期的強弱程度與可能反轉的時機。KD 指標的數值介於 0-100，一般以 50 作為分水嶺，當指標大於 50 時，表示股價處於強勢階段；反之，當指標小於 50 時，股價屬於弱勢階段。另外，當 KD 指標小於 20 時，股票往往有超賣的跡象，隨時有反轉向上的可能；反之當 KD 指標大於 80 時，股票往往有超買的跡象，隨時有反轉向下的可能。因此，許多人依此來建構交易訊號，作為買賣股票的依據。

KD 指標的計算流程如下：

RSV = ( ( 當日收盤價 – 近 N 日的最低價 ) / ( 近 N 日的最高價 – 近 N 日的最低價 ) ) * 100
K 值 = 昨日 K 值 × ( 2 / 3 ) + 當日 RSV × ( 1 / 3 )
D 值 = 昨日 D 值 × ( 2 / 3 ) + 當日 K 值 × ( 1 / 3 )

從算式來看，可以把 RSV 解讀成當日股價相較於近 N 日股價，是屬於較強勢還是弱勢。K 值，又被稱為快線，因為受到當日股價強弱的影響較大；而 D 值計算的原理如同再進行一次平滑，故對當前股價變化反應較慢。

另外，算式中的 N 值為計算指標的移動窗格，可以根據不同的投資屬性而定。設定較大的 N 值可以使 KD 值趨於平穩，並因為基於較長的基期計算 KD 值，可使指標提供的反轉訊號較為精準，適合中長期的投資人。反之，較小的 N 值會使 KD 指標較為敏感，適合短期的投資人。

KD 指標策略

本文採用 KD 指標來判斷股價反轉時機，利用以下進出場規則建立交易策略並進行回測：

K ≤ 20，買入，因其代表股價較弱、市場過冷的狀態
K ≥ 80，賣出，代表市場過熱，因此選擇獲利了結

此外，因為本策略涉及較長的回測期間，因此將 N 值設為 36 日，而非在計算 KD 指標時較為常見的 14 日窗格。

編輯環境與模組需求

本文使用 Windows 11 並以 Jupyter Lab 作為編輯器。

載入套件與環境設定

import pandas as pd
import numpy as np
import os

tej_key = 'your key'
api_base = 'https://api.tej.com.tw'

os.environ['TEJAPI_KEY'] = tej_key 
os.environ['TEJAPI_BASE'] = api_base

選取股票池並導入價量資料

利用 get_universe 選取 2012-01-01 至 2019-12-31 於台灣 50 指數中的股票。
設定回測期間 (2020-01-01 至 2024-04-10 )，並利用 !zipline ingest -b tquant 導入價量資料。

from zipline.sources.TEJ_Api_Data import get_universe

# get the stock list from Taiwan 50 index
StockList = get_universe('2012-01-01', '2019-12-31', idx_id = 'IX0002')
StockList.append('IR0001')

# set backtest period
start = '2020-01-01'
end = '2024-04-10'

os.environ['ticker'] = ' '.join(StockList)
os.environ['mdate'] = start + ' ' + end

!zipline ingest -b tquant

建立 Pipeline 函式

Pipeline() 提供使用者快速處理多檔標的的量化指標與價量資料的功能，於本次案例我們用以處理：

利用 TQuant Lab 的內建因子 FastStochasticOscillator ( 快速隨機指標 ) 計算 K 值。

p.s. FastStochasticOscillator ( 快速隨機指標 ) 即為我們所需的 K 值。

from zipline.pipeline import Pipeline
from zipline.pipeline.data import TWEquityPricing
from zipline.pipeline.factors import FastStochasticOscillator
from zipline.TQresearch.tej_pipeline import run_pipeline 

def make_pipeline():
    
    return Pipeline(
        columns = {
            "FastStochasticOscillator": FastStochasticOscillator(
                inputs = [TWEquityPricing.close, TWEquityPricing.low, TWEquityPricing.high],
                window_length = 36
            )
        }
    )

start_date = pd.Timestamp('2020-01-01',tz='utc')
end_date = pd.Timestamp('2024-04-10',tz='utc')
result = run_pipeline(make_pipeline(), start_date, end_date)

result

建立 initialize 函式

initialize() 函式用於定義交易開始前的每日交易環境，於此例中我們設置：

流動性滑價
交易手續費
買入持有加權股價報酬指數 ( IR0001 ) 的報酬作為基準
將上述計算的 Pipeline 導入交易流程中

from zipline.api import *
from zipline.finance import slippage, commission

def initialize(context):
    set_slippage(slippage.VolumeShareSlippage(volume_limit = 0.025, price_impact = 0.1))
    set_commission(commission.Custom_TW_Commission(min_trade_cost = 20, discount = 1.0, tax = 0.003))
    # setting benchmark    
    set_benchmark(symbol('IR0001'))  
    attach_pipeline(make_pipeline(), 'mystrategy')

建立 handle_data 函式

handle_data() 為構建交易策略的重要函式，會在回測開始後每天被呼叫，主要任務為設定交易策略、下單與紀錄交易資訊。

本範例運用KD指標來建構交易策略，在指標顯示超賣時買進，在指標顯示超買時賣出。

交易策略的進出場規則：

Long Entry:
- K ≤ 20 且現金水位充足，買入股票池中條件成立的股票，配置帳戶資金 100,000 元。
Short Entry:
- K ≥ 80，賣出條件成立的股票。

def handle_data(context, data):
    out_dir = pipeline_output('mystrategy')  # to get daily K value from pipeline
    for i in out_dir.index:
        K_value = out_dir.loc[i, 'FastStochasticOscillator']
        stock_position = context.portfolio.positions[i].amount
        cash_position = context.portfolio.cash

        # initial long entry:
        if stock_position == 0 and cash_position >= 100000:
            if K_value <= 20:
                order_value(i, 100000)

        elif stock_position > 0:
            # overweight entry: 
            if K_value <= 20 and cash_position >= 100000:
                order_value(i, 100000)

            # short entry:
            elif K_value >= 80: 
                order_target_percent(i, 0.0)

執行交易策略

使用 run_algorithm() 執行上述所編撰的 KD 指標策略，設置交易期間為 start_date ( 2020-01-01 ) 到 end_date ( 2024-04-10 )，所使用資料集為 tquant，初始資金為 10,000,000 元。其中輸出的 results 就是每日績效與交易的明細表。

from zipline import run_algorithm

start_date = pd.Timestamp('2020-01-01',tz='utc')
end_date = pd.Timestamp('2024-04-10',tz='utc')

results = run_algorithm(start = start_date,  
                        end = end_date,
                        initialize = initialize,                      
                        capital_base = 1e7,                      
                        handle_data = handle_data,
                        data_frequency = 'daily',
                        bundle = 'tquant'
                        )
results

利用 Pyfolio 進行績效評估

import pyfolio as pf

returns, positions, transactions = pf.utils.extract_rets_pos_txn_from_zipline(results)
benchmark_rets = results.benchmark_return

# Creating a Full Tear Sheet
pf.create_full_tear_sheet(bt_returns, positions = positions, transactions = transactions,
                          benchmark_rets = benchmark_rets)

透過上圖可以發現大盤在這 4 年內有 2 倍的報酬，反觀 KD 指標策略僅有約 17.7 % 的累積報酬，年化報酬率與年化波動度則分別為 4 % 和 17.1 %，會造成 KD 指標策略與大盤績效在回測期間的差距，筆者認為有三大原因：

指標鈍化：在股市走強初期，因股價逐步向上攀升，使 KD 指標向上達到 >= 80 的超買訊號，導致策略出清部位，無法享受到後續持續上漲的波段價差。
錯過買賣時機點：在此範例中我們以 K 值 = 20 及 80 作為交易進出點，不過有些股票可能還沒跌破 20 便開始回升；反之，尚未突破 80 即出現上檔賣壓，於這些情形中，KD 指標策略便無法賺取報酬。
交易假訊號產生：交易假訊號可能會發生於高波動的股票，因為股價的大幅震盪，使指標出現誤判。舉例來說，KD 指標策略出現買進訊號，但其實股票只是在進行盤整波動。

針對以上三點，我們可以將 KD 指標策略搭配其他指標來獲得改善，比如一些協助判斷指標背離的因子 ( 關於指標背離的運用可參考：TQuant Lab RSI 均線策略，找出低檔反向操作 )，或是結合 MACD 等指標，這部分我們留待日後再進行更深入的探討。

結論

本次策略發想自 KD指標回測實戰，利用 TQaunt Lab 導入多檔股票並使用 Pipeline 的內建因子庫加速計算 KD 指標策略所需的 K 值，而後進行 KD 指標策略的回測。雖然回測的結果不盡理想，但我們也因此觀察出 KD 指標策略的三個缺點：指標鈍化、錯過買賣時機點以及交易假訊號產生，投資人在使用 KD 指標時也應注意以上的狀況或搭配其他指標幫助進出場。

溫馨提醒，本次策略與標的僅供參考，不代表任何商品或投資上的建議。之後也會介紹使用TEJ資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。

【TQuant Lab回測系統】解決你的量化金融痛點

全方位提供交易回測所需工具

點我註冊會員，開始試用

原始碼

點此前往 Github